基于近红外光谱与机器学习的葡萄胚挽救最佳采样时间精准判定技术研究

本研究针对无核葡萄胚挽救育种中采样时间难以精准判定的技术瓶颈，创新性地将NIRS（近红外光谱）与机器学习算法相结合，首次发现果皮穿刺硬度（PPH）与胚发育率显著相关，建立D1+PLSR/D1+MLR预测模型（R2 ≥0.93），实现非破坏性采样判定，使胚发育率和成苗率分别提升15%和14%，为加速无核葡萄育种进程提供了智能化解决方案。

　　

葡萄作为全球重要的经济作物，无核品种因其食用便利性备受青睐。然而，无核葡萄育种面临关键瓶颈——胚挽救技术中采样时间的精准判定。传统依赖授粉后天数（DAP）的方法受气候、品种差异影响显著，而基于浆果发育状态的判定又需破坏性取样，导致材料浪费。如何实现高效、精准且非破坏性的采样时间判定，成为制约无核葡萄育种效率提升的核心难题。

针对这一挑战，西北农林科技大学的研究团队开展了一项创新性研究，通过整合近红外光谱（NIRS）技术与机器学习算法，首次建立了葡萄胚挽救最佳采样时间的智能化判定体系。相关成果发表于《Plant Phenomics》，为无核葡萄精准育种提供了全新范式。

研究采用多学科交叉技术路线：首先对6个葡萄品种2940个浆果进行NIRS扫描和19项生理指标测定，构建基线数据集；运用竞争性自适应重加权采样（CARS）算法提取特征波段；结合主成分分析（PCA）和灰色关联分析（GRA）筛选关键指标；最后通过8种机器学习算法（包括PLSR、MLR等）建立预测模型，以决定系数（R²
）和均方根误差（RMSE）评估性能。

生理指标变化规律
通过系统监测浆果发育过程，发现无核品种'火焰无核'、'红宝石无核'和'京早晶'的胚珠在E-L-34阶段（浆果软化初期）达到最大发育状态，此时胚挽救成功率最高。值得注意的是，果皮穿刺硬度（PPH）与胚发育率呈显著正相关（r=0.86, P≤0.05），成为最具预测价值的指标。

关键模型构建
研究团队建立了840种模型组合，最终确定'火焰无核'和'京早晶'的最优模型为D1+PLSR（测试集R²
=0.94/0.93），'红宝石无核'为D1+MLR（R²
=0.79）。这些模型首次实现通过NIRS数据实时预测PPH值，当'火焰无核'PPH达720±20 g、'红宝石无核'990±20 g、'京早晶'633±20 g时，即为最佳采样窗口。

应用验证
在杂交组合'火焰无核×阳光玫瑰'中，基于PPH模型指导的采样使胚发育率达28.92%，较传统方法提升21.93%；成苗率提高至24.90%。该技术将胚挽救成功率平均提升15%，显著加速育种周期。

这项研究的突破性在于：首次揭示PPH与无核葡萄胚发育的定量关系，创建了首个NIRS驱动的胚挽救采样决策系统。其意义不仅在于解决采样时间判定的行业难题，更开创了人工智能辅助葡萄育种的新模式。未来通过模型轻量化改造和深度学习技术融合，有望进一步推动园艺作物智能育种的技术革新。